.png){kind=icon}
返回
PMG-Net: progressive modular-guided network for small object detection
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-026-08410-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
尽管传统目标检测已取得进展，但在计算效率约束下，常规检测器对微小物体的精确识别仍具挑战性。具体而言，微小物体通常产生弱且稀疏的特征响应，导致检测器将注意力分配给主导区域。在此情况下，基于YOLO的检测器常出现注意力分配不均问题，进而导致检测精度不理想。为应对这些挑战，本文提出了一种新型微小物体检测器——渐进模块化引导网络（PMG-Net）。PMG-Net包含三个创新的可插拔模块：特征聚合与增强（FAE）模块、大核多尺度融合（LKMF）模块以及动态双池化注意力卷积（DDPAC）模块。首先，FAE模块通过双分支串联的多维注意力机制强化精细特征。其次，LKMF模块嵌入浅层网络，通过大核分解和多尺度融合增强表征能力，捕捉微小物体的上下文信息。最后，DDPAC模块通过可学习参数自适应调整注意力区域，并在特征区域间平衡权重分配，强化局部与全局协作。实验结果表明，相较于YOLOv11-N基准模型，PMG-Net在VisDrone、VEDAI、GTSDB、TT100K、UAVDT和RSOD数据集上的AP分别提升了2.9%、5.0%、5.0%、5.9%、1.4%和1.9%，证实了其在计算效率约束下的有效性。该设计需依赖GPU级并行计算以实现大规模视觉数据的实时处理。
Keyword:
Small object detection
Multiscale feature fusion
YOLO-based detectors
Remote sensing imagery
Traffic sign detection
期刊
T
IF:
0
论文数:
647
被引数:
0
机构
引用论文
YOLOv9: Learning What You Want to Learn Using Programmable Gradient InformationYOLOv9: 使用可编程梯度信息学习您想要学习的内容
.png){kind=icon}
PREAI
分享收藏分享收藏ECA-Net: Efficient Channel Attention for Deep Convolutional Neural NetworksEca-net: 深度卷积神经网络的高效信道关注
OAAI
OAAI分享收藏
查看更多内容